【技术实现步骤摘要】
基于特征工程和多路深度学习的电力负荷预测方法
[0001]本专利技术涉及电力负荷领域,具体涉及一种基于特征工程和多路深度学习的电力负荷预测方法。
技术介绍
[0002]电力负荷预测是电网调控和规划的核心内容之一,分为短期负荷预测(short
‑
term load forecasting,STLF)、中期负荷预测(medium
‑
term load forecasting,MTLF)和长期负荷预测(long
‑
term load forecasting,LTLF),各自的预测范围从几小时到几天、从几周到几个月以及从一年到几年。尽管MTLF和LTLF对电网建设规划和运维管理非常重要,但STLF在电力营销管理、电网运行调度、发电机组组织和能源期货交易等方面发挥着更重要的作用,是快速响应需求、实现成本效益的有利工具。
[0003]典型的电力负荷预测技术有统计预测法和人工智能(AI)技术两大类。由于能源消耗受天气、季节和社会经济条件影响,表现出典型的非线性特征,统计预测法的精度较低。基于人工智能的预测模型能利用各种机器学习的非线性特性,拟合、分类、识别看不见、理不清的模式,以人工神经网络(ANN)为基础的机器学习模型已在模式识别、信息处理和特征挖掘等领域获得了广泛的运用,且还在不断改进。相比于统计预测法,基于人工智能的预测模型利用历史数据对问题或对象“学习”,不仅能处理非线性问题,而且准确性高、鲁棒性好,适应性强,非常适合进行短期负荷预测。
[0004]虽然 ...
【技术保护点】
【技术特征摘要】
1.一种基于特征工程和多路深度学习的电力负荷预测方法,其特征在于:包括如下步骤:S1.采集电力负荷数据以及气温数据;S2.设置目标特征,并依据目标特征对电力负荷数据以及气温数据进行处理,生成数据集;S3.基于目标特征对数据集进行切分,得到N个数据子集;S4.将N个数据子集分别作为N个径向基函数网络的输入,对网络进行训练,得到N个训练后的径向基函数网络;其中,所述N个数据子集与N个径向基函数网络一一对应;S5.采集测试数据;所述测试数据包括电力负荷数据以及气温数据;S6.从N个已训练的径向基函数网络中选取K个径向基函数网络,并将测试数据分别输入到K个径向基函数网络,输出K个电力负荷预测结果,将K个电力负荷预测结果的求和平均值作为最终的电力负荷预测结果。2.根据权利要求1所述的基于特征工程和多路深度学习的电力负荷预测方法,其特征在于:所述目标特征包括η小时负荷量、ε点时间戳、星期、节假日、气温、φ天负荷平均值以及γ天负荷标准差。3.根据权利要求2所述的基于特征工程和多路深度学习的电力负荷预测方法,其特征在于:步骤S2中,依据目标特征对电力负荷数据以及气温数据进行处理,生成数据集,具体包括:S21.若η小时负荷量存在数据缺失,则将缺失数据的前后两点数据的加权平均值作为所述缺失数据;S22.对η小时负荷量按照时间先后顺序排列形成负荷量序列E:其中,为第m天的第i个时间戳的负荷量;M为采集的总天数;S23.对ε点时间戳进行独热编码形成时间戳编码向量序列T:其中,为第m天的第i个时间戳的时间戳编码向量,所述S24.对星期进行独热编码形成星期编码向量序列B:其中,为第n个星期周i的星期编码向量,所述S25.对节假日进行独热编码形成节假日编码向量序列U:U={u1,u2};其中,u1,u2分别为是节假日和非节假日的编码向量,所述u1=[0,1]
T
,u2=[1,0]
T
;S26.对气温数据按照时间顺序排列形成气温序列V:V={v1,v2,
…
,v
m
,
…
};其中,v
m
为第m天的气温数据;S27.计算目标天的前φ天负荷量的平均值,形成φ天负荷平均值序列AE:
AE=[AE1,AE2,
…
,AE
m
,
…
,AE
M
];其中,AE
m
为第m天的前φ天负荷量的平均值,所述S28.计算目标天的前γ天负荷量的标准差,形成γ天负荷标准差序列
△
E:
△
E=[
△
E1,
△
E2,
…
,
△
E
m
,
…
,
△
E
M
];其中,
△
E
m
为第m天前γ天负荷量的标准差,所述S29.分别对负荷量序列E、φ天负荷平均值序列AE和γ天负荷标准差序列
△
E进行归一化处理,得到如下表达式:化处理,得到如下表达式:化处理,得到如下表达式:其中,μ
e
,β
e
分别为负荷量序列E中所有M天数据的均值和方差;μ
AE
,β
AE
分别为φ天负荷平均值序列AE中所有M天数据的均值和方差;μ
△
E
,β
△
E
分别为γ天负荷标准差序列
△
E中所有M天数据的均值和方差;S210.生成如下形式的数据集x:x={x1,x2,
…
,x
m
,
…
,x
M
};其中,x
m
为数据集x的第m个数据向量;所述为数据集x的第m个数据向量;所述为数据向量x
m
的第i个数据项,I为数据向量x
m
的维度。4.根据权利要求3所述的基于特征工程和多路深度学习的电力负荷预测方法,其特征在于:步骤S21中,对于数据起点或数据终点的缺失数据,用所述缺失数据最近的数据作为所述缺失数据。5.根据权利要求1所述的基于特征工程和多路深度学习的电力负荷预测方法,其特征在于:所述步骤S3,具体包括:S31.统计目标特征,得到目标特征序列(λ1,λ2,
…
【专利技术属性】
技术研发人员:谢祿江,蒋荣,皮羽茜,吴维农,段立,卓灵,李柯沂,刘玮洁,邓灵莉,何轶,甘嵩,林秋平,赵聆汐,
申请(专利权)人:国网重庆市电力公司信息通信分公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。